电力负荷识别方法、装置以及存储介质和芯片设备与流程

1.本发明涉及电力技术领域，尤其涉及一种电力负荷识别方法、装置以及存储介质和芯片设备。


背景技术：

2.随着国民经济的快速发展，社会对电能的需求日益增加，对电能质量的要求也越来越高。因此，改善电能质量对于电网及电气设备的安全运行、保障产品质量以及人们的正常生活具有重要意义。为了改善电能质量，需对电力负荷进行识别，以便了解电力系统的负荷组成，掌握电力负荷的变化规律和发展趋势，对电力负荷的科学管理。
3.目前，负荷识别方法主要分为侵入式和非侵入式两种。对于非侵入式的负荷识别方法，相关技术中提出使用聚类算法等对电力负荷进行分类研究。但上述技术在不同程度上存在一些缺陷：聚类算法需要事先确定类别的数目，若类别数目不正确则容易造成分类结果的不准确。
4.另外，随着非侵入式负荷识别研究的不断进展，一些技术中提出，使用负荷暂稳态信息作为特征进行识别分析。例如：使用用电设备投切时对电压的扰动信息进行负荷识别，但这种方法受电压波动影响较大；又如，利用家用负荷开关时的暂态功率特征贴近度来匹配家用负荷的方法，但当多个家电开启时间很近导致暂态特征混叠时，该方法的识别准确率会受较大影响。


技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种电力负荷识别方法，以提高负荷识别的准确率。
6.本发明的第二个目的在于提出一种计算机可读存储介质。
7.本发明的第三个目的在于提出一种芯片设备。
8.本发明的第四个目的在于提出一种电力负荷识别装置。
9.为达到上述目的，本发明第一方面实施例提出了一种电力负荷识别方法，所述方法包括以下步骤：获取电力网络发生投切事件前后预设时间内的第一电流信号和第一电压信号；根据所述第一电流信号和所述第一电压信号，得到负荷特征向量；将所述负荷特征向量输入至预先训练好的深度学习模型，得到类别特征向量，并根据所述类别特征向量确定投切事件的电器类别。
10.本发明实施例的电力负荷识别方法，在电力网络发生投切事件时，根据投切事件前后预设时间内的第一电流信号和第一电压信号，得到负荷特征向量，进而将负荷特征向量输入至预先训练好的深度学习模型，得到类别特征向量，并根据类别特征向量确定投切事件的电器类别。由此，通过负荷特征向量和预先训练好的深度学习模型进行负荷识别，可提高负荷识别的准确率。
11.另外，本发明实施例的电力负荷识别方法还可以具有如下附加的技术特征：
12.根据本发明的一个实施例，所述获取电力网络发生投切事件前后预设时间内的第一电流信号和第一电压信号，之前还包括：获取所述电力网络的进线处的第二电流信号，并根据所述第二电流信号判断所述电力网络是否发生投切事件。
13.根据本发明的一个实施例，所述根据所述第二电流信号判断所述电力网络是否发生投切事件，包括：根据所述第二电流信号计算电流变化值；判断所述电流变化值是否大于预设电流变化阈值；如果是，则判定所述电力网络发生投切事件。
14.根据本发明的一个实施例，在根据所述类别特征向量确定投切事件的电器类别之后，所述方法还包括：根据所述电器类别对所述电力网络的进线处的电流信号进行分解。
15.根据本发明的一个实施例，所述根据所述第一电流信号和所述第一电压信号，得到负荷特征向量，包括：从所述第一电流信号中提取投切事件前后预设时间内的电流采样点，得到第一采样点序列和第二采样点序列；对所述第一采样点序列进行离散傅里叶变换，得到投切事件发生前的第一谐波分量，对所述第二采样点序列进行离散傅里叶变换，得到投切事件发生后的第二谐波分量；将所述第二谐波分量与所述第一谐波分量做差，得到谐波分量差向量；根据所述第一电流信号，计算投切事件前后预设时间内各交流电周期的电流有效值，得到电流有效值向量；根据所述第一电压信号，计算投切事件前后预设时间内各交流电周期的电压有效值，得到电压有效值向量；对所述谐波分量差向量、所述电流有效值向量、所述电压有效值向量进行拼接，得到所述负荷特征向量。
16.根据本发明的一个实施例，所述深度学习模型的训练过程如下：构建初始深度学习模型，并获取训练集，所述训练集包括标注了多个样本标签的训练样本；采用所述初始深度学习模型对所述训练样本进行预测，得到训练样本的类别特征向量；获取样本标签对应的交叉熵损失函数，并根据所述交叉熵损失函数对所述训练样本的类别特征向量和样本标签进行收敛，得到所述预先训练好的深度学习模型。
17.根据本发明的一个实施例，所述根据所述类别特征向量确定投切事件的电器类别，包括：获取多个电器的基准向量；分别计算所述类别特征向量与各基准向量之间的欧式距离，作为置信度；根据所述置信度确定投切事件的电器类别。
18.根据本发明的一个实施例，所述获取多个电器的基准向量，包括：使用所述预先训练好的深度学习模型时，分别将各电器投切事件对应的负荷特征向量输入至所述预先训练好的深度学习模型中，输出各电器的类别特征向量，作为各电器的基准向量。
19.根据本发明的一个实施例，所述根据所述电器类别对所述电流信号进行分解，包括：根据所述电流信号得到电流变化量；将所述电流变化量叠加到所述电器类别对应电器的电流初始波形上。
20.为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的电力负荷识别方法。
21.为达到上述目的，本发明第三方面实施例提出了一种芯片设备，包括存储器、处理器和存储在所述存储器上的计算机程序，所述计算机程序被所述处理器执行时，实现上述的电力负荷识别方法。
22.为达到上述目的，本发明第四方面实施例提出了一种电力负荷识别装置，所述装置包括：获取模块，用于获取电力网络发生投切事件前后预设时间内的第一电流信号和第一电压信号；计算模块，用于根据所述第一电流信号和所述第一电压信号，得到负荷特征向
量；确定模块，用于将所述负荷特征向量输入至预先训练好的深度学习模型，得到类别特征向量，并根据所述类别特征向量确定投切事件的电器类别。
23.本发明实施例的电力负荷识别装置，在根据电流信号判断电力网络发生投切事件时，根据投切事件前后预设时间内的第一电流信号第一电压信号，得到负荷特征向量，进而将负荷特征向量输入至预先训练好的深度学习模型，得到类别特征向量，并根据类别特征向量确定投切事件的电器类别。由此，通过负荷特征向量和预先训练好的深度学习模型进行负荷识别，可提高负荷识别的准确率。
24.另外，本发明实施例的电力负荷识别装置还可以具有如下附加的技术特征：
25.根据本发明的一个实施例，所述计算模块具体用于：从所述第一电流信号中提取投切事件前后预设时间内的电流采样点，得到第一采样点序列和第二采样点序列；对所述第一采样点序列进行离散傅里叶变换，得到投切事件发生前的第一谐波分量，对所述第二采样点序列进行离散傅里叶变换，得到投切事件发生后的第二谐波分量；将所述第二谐波分量与所述第一谐波分量做差，得到谐波分量差向量；根据所述第一电流信号，计算投切事件前后预设时间内各交流电周期的电流有效值，得到电流有效值向量；根据所述第一电压信号，计算投切事件前后预设时间内各交流电周期的电压有效值，得到电压有效值向量；对所述谐波分量差向量、所述电流有效值向量、所述电压有效值向量进行拼接，得到所述负荷特征向量。
26.根据本发明的一个实施例，所述确定模块在根据所述类别特征向量确定投切事件的电器类别时，具体用于：获取多个电器的基准向量；分别计算所述类别特征向量与各基准向量之间的欧式距离，作为置信度；根据所述置信度确定投切事件的电器类别。
27.根据本发明的一个实施例，所述确定模块在获取多个电器的基准向量时，具体用于：使用所述预先训练好的深度学习模型时，分别将各电器投切事件对应的负荷特征向量输入至所述预先训练好的深度学习模型中，输出各电器的类别特征向量，作为各电器的基准向量。
28.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
29.图1是本发明一个实施例的电力负荷识别方法的流程图；
30.图2是本发明另一个实施例的电力负荷识别方法的流程图；
31.图3是本发明一个实施例的电力负荷识别装置的结构框图；
32.图4是本发明另一个实施例的电力负荷识别装置的结构框图。
具体实施方式
33.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
34.图1是本发明一个实施例的电力负荷识别方法的流程图。
35.如图1所示，电力负荷识别方法包括以下步骤：
36.s1，获取电力网络发生投切事件前后预设时间内的第一电流信号和第一电压信号。
37.其中，电流信号和电压信号可以是在电力网络的进线处采集得到的。
38.在本发明的一个实施例中，可实时采集电力网络的进线处的电流信号和电压信号，记电力网络发生投切事件前获取到的电流信号为第二电流信号，可根据第二电流信号判断电力网络是否发生投切事件。
39.具体地，电力网络进线输入的电压可以是基波频率为50hz的交流电，对电流、电压的采样频率可以在1khz以上，如可为6khz。由此，通过高频采样使得采样得到的电流、电压能准确反映电力网络的进线处的电压、电流变化情况，进而在一定程度上提高识别准确率。
40.作为一个可行的实施方式，根据第二电流信号判断电力网络是否发生投切事件，可包括：根据第二电流信号计算电流变化值；判断电流变化值是否大于预设电流变化阈值；如果是，则判定电力网络是否发生投切事件。其中，预设电流变化阈值可根据实际电力网络的负荷情况进行标定。
41.具体地，可计算任意两相邻采样电流的差值，在该差值大于预设电流变化阈值时，可判定电力网络发生投切事件。为保证判断的可靠性，可在连续多个差值均大于预设电流变化阈值时，判定电力网络发生投切事件。
42.s2，根据第一电流信号和第一电压信号，得到负荷特征向量。
43.其中，负荷特征向量是通过电力网络发生投切事件前后预设时间(取值范围可以是0.3～1秒，如为0.5秒)内的第一电流信号和第一电压信号得到，通过较短预设时间的设置，可以很好的保证该负荷特征向量是由单个电器开启造成的电压、电流波动得到的；通过同时考虑电压、电流，相较于仅考虑电压的情形，可使得识别更准确。
44.作为一个可行的实施方式，根据投切事件前后预设时间内的电流信号和电压信号，得到负荷特征向量，可包括如下步骤：
45.a1、从第一电流信号中提取投切事件前后预设时间内的电流采样点，得到第一采样点序列和第二采样点序列；
46.例如，预设时间为0.5秒。在确定发生投切事件后，记投切事件的发生时刻为t1，进而获取t1时刻之前0.5秒的电流信号和t1时刻之后0.5秒的电流信号，并提取t1时刻之前0.5秒范围内每个交流电周期(即0.02秒)的采样电流最大值，每个最大值作为一个电流采样点，得到第一采样点序列，同时提取t1时刻之后0.5秒范围内每个交流电周期(即0.02秒)的采样电流最大值，每个最大值作为一个电流采样点，得到第二采样点序列。其中，第一采样点序列、第二采样点序列均包括25个采样点。
47.b1、对第一采样点序列进行离散傅里叶变换，得到投切事件发生前后的第一谐波分量，对第二采样点序列进行离散傅里叶变换，得到投切事件发生后的第二谐波分量；
48.具体地，可通过如下公式对采样点序列进行离散傅里叶变换：
[0049][0050]
其中，x(k)为离散傅里叶变换后的数据，即谐波分量，x(n)为采样点序列中的第n个采样点。
[0051]
c1、将第二谐波分量与第一谐波分量做差，得到谐波分量差向量；
[0052]
d1、根据第一电流信号，计算投切事件前后预设时间内各交流电周期的电流有效值，得到电流有效值向量；
[0053]
e1、根据第一电压信号，计算投切事件前后预设时间内各交流电周期的电压有效值，得到电压有效值向量；
[0054]
例如，预设时间为0.5秒。在确定发生投切事件后，记投切事件的发生时刻为t1，进而获取t1时刻之前0.5秒的电流信号和t1时刻之后0.5秒的电流信号、电压信号，并计算t1时刻之前0.5秒范围内每个交流电周期(即0.02秒)的电流有效值、电压有效值，同时计算t1时刻之后0.5秒范围内每个交流电周期(即0.02秒)的采的电流有效值、电压有效值，得到包含50个电流有效值的电流有效值向量和包含50个电压有效值的电压有效值向量。
[0055]
f1、对谐波分量差向量、电流有效值向量、电压有效值向量进行拼接，得到负荷特征向量。
[0056]
具体地，可将谐波分量差向量、电流有效值向量、电压有效值向量以头尾相接的方式拼接，得到一维的负荷特征向量。其中，谐波分量差向量、电流有效值向量、电压有效值向量之间的拼接序列可变换，例如，还可将谐波分量差向量、电压有效值向量、电流有效值向量以头尾相接的方式拼接。
[0057]
s3，将负荷特征向量输入至预先训练好的深度学习模型，得到类别特征向量，并根据类别特征向量确定投切事件的电器类别。
[0058]
在该实施例中，电力负荷识别，即为电力网络的用电监测，监测电力网络的电能是如何被电器利用与消耗的，因此，通过识别得到投切事件对应的电器可实现电力负荷识别，进而有助于找到针对电力网络的节电调控措施和更高效的用电方式。
[0059]
作为一个示例，深度学习模型的训练过程可如下：
[0060]
a2、构建初始深度学习模型，并获取训练集，训练集包括标注了多个样本标签的训练样本；
[0061]
可选地，初始深度模型可以为5层一维卷积模型。
[0062]
其中，训练样本的获取方式与上述负荷特征向量的获取方式相同。样本标签是训练样本对应的电器类别，例如，训练样本a，标签为空调(可以标号1表示)；训练样本b，标签为冰箱(可以标号2表示)；训练样本c，标签为洗衣机(可以标号3表示)。
[0063]
b2、采用初始深度学习模型对训练样本进行预测，得到训练样本的类别特征向量；
[0064]
c2、获取样本标签对应的交叉熵损失函数，并根据交叉熵损失函数对训练样本的类别特征向量和样本标签进行收敛，得到预先训练好的深度学习模型。
[0065]
作为一个可行的实施方式，步骤s3中根据类别特征向量确定投切事件的电器类别，可包括：获取多个电器的基准向量；分别计算类别特征向量与各基准向量之间的欧式距离，作为置信度；根据置信度确定投切事件的电器类别。例如：可将最小欧式距离的置信度设为最大，并将最大置信度对应的基准向量所属的电器类别作为投切事件的电器类别。
[0066]
其中，获取多个电器的基准向量，可包括：使用预先训练好的深度学习模型时，分别将各电器投切事件对应的负荷特征向量输入至预先训练好的深度学习模型中，输出各电器的类别特征向量，作为各电器的基准向量。
[0067]
具体地，可在训练好深度学习模型后，将知晓电器类别的电器对应的投切事件对应的负荷特征向量输入至该深度学习模型中，得到该电器类别特征向量，作为该电器的基
准向量。对各可能的电器均执行才操作，得到多个电器的基准向量。
[0068]
在本发明的一个实施例中，如图2所示，在根据类别特征向量确定投切事件的电器类别之后，电力负荷识别方法还可包括：
[0069]
s4，根据电器类别对电力网络的进线处的电流信号进行分解。
[0070]
在该实施例中，在电力网络供电过程中进行电力负荷识别时，可能会发生一次或多次投切事件，故可持续获取电力网络的进线处的电流信号，待分解的电流信号即为该持续获取的电流信号，其可以包括用以判定投切事件的第二电流信号。根据电器类别对电力网络的进线处的电流信号进行分解，可将持续获取的电力网络的进线处的电流信号分解到各电器的工作电流上，进而可通过波形展示各电器的工作情况，便于用户了解电力网络的用电情况。
[0071]
具体地，根据电器类别对电力网络的进线处的电流信号进行分解，可包括：根据电力网络的进线处的电流信号得到电流变化量；将电流变化量叠加到电器类别对应电器的电流初始波形上。
[0072]
具体而言，设所有电器的电流初始波形中电流初始值为0，投切事件由哪个电器引起，则将对应的电流变化量叠加到对应电器的电流初始波形上，以此实现将总电表波形(即上述电流信号的波形)分解成各类电器的电流波形，以便查看。其中，电流变化量可以是电流有效值变化量，电流波形可以是电流有效值波形。
[0073]
综上，本发明实施例的电力负荷识别方法，可提高负荷识别的准确度，实现负荷的实时在线识别，且无需依靠人工选择和提取所需的各类负荷特征，仅需将用电参数的总量数据输入到深学习模型中，使得本发明具有较高的用户友好性和易用性，可广泛应用于居民电力负荷识别中。
[0074]
基于上述实施例的电力负荷识别方法，本发明提出了一种计算机可读存储介质。
[0075]
在该实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现上述实施例的电力负荷识别方法。
[0076]
本发明实施例的计算机可读存储介质，在其上存储的与上述电力负荷识别方法对应的计算机程序被处理器执行时，可提高负荷识别的准确度，实现负荷的实时在线识别，且无需依靠人工选择和提取所需的各类负荷特征，仅需将用电参数的总量数据输入到深学习模型中，使得本发明具有较高的用户友好性和易用性，可广泛应用于居民电力负荷识别中。
[0077]
基于上述实施例的电力负荷识别方法，本发明还提出了一种芯片设备。
[0078]
在该实施例中，芯片设备包括存储器、处理器和存储在存储器上的计算机程序，其特征在于，计算机程序被处理器执行时，实现上述实施例的电力负荷识别方法。
[0079]
本发明实施例的芯片设备，在其存储器上存储的与上述电力负荷识别方法对应的计算机程序被处理器执行时，可提高负荷识别的准确度，实现负荷的实时在线识别，且无需依靠人工选择和提取所需的各类负荷特征，仅需将用电参数的总量数据输入到深学习模型中，使得本发明具有较高的用户友好性和易用性，可广泛应用于居民电力负荷识别中。
[0080]
图3是本发明一个实施例的电力负荷识别装置的结构框图。
[0081]
如图3所示，电力负荷识别装置100包括：获取模块110、计算模块130和确定模块140。
[0082]
在该实施例中，获取模块110用于获取电力网络发生投切事件前后预设时间内的
第一电流信号和第一电压信号。
[0083]
在本发明的一个实施例中，获取模块110可用于获取电力网络的进线处的电流信号和电压信号，记投切事件前获取的电流信号为第二电流信号。获取模块110可根据第二电流信号判断电力网络是否发生投切事件。
[0084]
具体地，电力网络进线输入的电压可以是基波频率为50hz的交流电，对电流、电压的采样频率可以在1khz以上，如可为6khz。由此，通过高频采样使得采样得到的电流、电压能准确反映电力网络的进线处的电压、电流变化情况，进而在一定程度上提高识别准确率。
[0085]
进一步地，获取模块110可用于：根据第二电流信号计算电流变化值；判断电流变化值是否大于预设电流变化阈值；如果是，则判定电力网络发生投切事件。其中，预设电流变化阈值可根据实际电力网络的负荷情况进行标定。
[0086]
具体地，可计算任意两相邻采样电流的差值，在该差值大于预设电流变化阈值时，可判定电力网络发生投切事件。为保证判断的可靠性，可在连续多个差值均大于预设电流变化阈值时，判定电力网络发生投切事件。
[0087]
计算模块130用于根据第一电流信号和第一电压信号，得到负荷特征向量。
[0088]
其中，预设时间的取值范围可以是0.3～1秒，如为0.5秒。
[0089]
作为一个可行的实施方式，计算模块130具体可执行如下步骤：
[0090]
a1、从第一电流信号中提取投切事件前后预设时间内的电流采样点，得到第一采样点序列和第二采样点序列；
[0091]
例如，预设时间为0.5秒。在确定发生投切事件后，记投切事件的发生时刻为t1，进而获取t1时刻之前0.5秒的电流信号和t1时刻之后0.5秒的电流信号，并提取t1时刻之前0.5秒范围内每个交流电周期(即0.02秒)的采样电流最大值，每个最大值作为一个电流采样点，得到第一采样点序列，同时提取t1时刻之后0.5秒范围内每个交流电周期(即0.02秒)的采样电流最大值，每个最大值作为一个电流采样点，得到第二采样点序列。其中，第一采样点序列、第二采样点序列均包括25个采样点。
[0092]
b1、对第一采样点序列进行离散傅里叶变换，得到投切事件发生前后的第一谐波分量，对第二采样点序列进行离散傅里叶变换，得到投切事件发生后的第二谐波分量；
[0093]
具体地，可通过如下公式对采样点序列进行离散傅里叶变换：
[0094][0095]
其中，x(k)为离散傅里叶变换后的数据，即谐波分量，x(n)为采样点序列中的第n个采样点。
[0096]
c1、将第二谐波分量与第一谐波分量做差，得到谐波分量差向量；
[0097]
d1、根据第一电流信号，计算投切事件前后预设时间内各交流电周期的电流有效值，得到电流有效值向量；
[0098]
e1、根据第一电压信号，计算投切事件前后预设时间内各交流电周期的电压有效值，得到电压有效值向量；
[0099]
例如，预设时间为0.5秒。在确定发生投切事件后，记投切事件的发生时刻为t1，进而获取t1时刻之前0.5秒的电流信号和t1时刻之后0.5秒的电流信号、电压信号，并计算t1时刻之前0.5秒范围内每个交流电周期(即0.02秒)的电流有效值、电压有效值，同时计算t1
时刻之后0.5秒范围内每个交流电周期(即0.02秒)的采的电流有效值、电压有效值，得到包含50个电流有效值的电流有效值向量和包含50个电压有效值的电压有效值向量。
[0100]
f1、对谐波分量差向量、电流有效值向量、电压有效值向量进行拼接，得到负荷特征向量。
[0101]
具体地，可将谐波分量差向量、电流有效值向量、电压有效值向量以头尾相接的方式拼接，得到一维的负荷特征向量。其中，谐波分量差向量、电流有效值向量、电压有效值向量之间的拼接序列可变换，例如，还可将谐波分量差向量、电压有效值向量、电流有效值向量以头尾相接的方式拼接。
[0102]
确定模块140用于将所述负荷特征向量输入至预先训练好的深度学习模型，得到类别特征向量，并根据所述类别特征向量确定投切事件的电器类别。
[0103]
作为一个示例，深度学习模型的训练过程可如下：
[0104]
a2、构建初始深度学习模型，并获取训练集，训练集包括标注了多个样本标签的训练样本；
[0105]
可选地，初始深度模型可以为5层一维卷积模型。
[0106]
其中，训练样本的获取方式与上述负荷特征向量的获取方式相同。样本标签是训练样本对应的电器类别，例如，训练样本a，标签为空调(可以标号1表示)；训练样本b，标签为冰箱(可以标号2表示)；训练样本c，标签为洗衣机(可以标号3表示)。
[0107]
b2、采用初始深度学习模型对训练样本进行预测，得到训练样本的类别特征向量；
[0108]
c2、获取样本标签对应的交叉熵损失函数，并根据交叉熵损失函数对训练样本的类别特征向量和样本标签进行收敛，得到预先训练好的深度学习模型。
[0109]
作为一个可行的实施方式，确定模块140在根据类别特征向量确定投切事件的电器类别时，具体可用于：获取多个电器的基准向量；分别计算类别特征向量与各基准向量之间的欧式距离，作为置信度；根据置信度确定投切事件的电器类别。例如：可将最小欧式距离的置信度设为最大，并将最大置信度对应的基准向量所属的电器类别作为投切事件的电器类别。
[0110]
其中，获取多个电器的基准向量，可包括：使用预先训练好的深度学习模型时，分别将各电器投切事件对应的负荷特征向量输入至预先训练好的深度学习模型中，输出各电器的类别特征向量，作为各电器的基准向量。
[0111]
具体地，可在训练好深度学习模型后，将知晓电器类别的电器对应的投切事件对应的负荷特征向量输入至该深度学习模型中，得到该电器类别特征向量，作为该电器的基准向量。对各可能的电器均执行才操作，得到多个电器的基准向量。
[0112]
在本发明的一个实施例中，如图4所示，电力负荷识别装置100还可包括：分解模块150，分解模块150用于根据电器类别对电流信号进行分解。
[0113]
在该实施例中，分解模块150具体可用于：根据电流信号得到电流变化量；将电流变化量叠加到电器类别对应电器的电流初始波形上。
[0114]
具体而言，设所有电器的电流初始波形中电流初始值为0，投切事件由哪个电器引起，则将对应的电流变化量叠加到对应电器的电流初始波形上，以此实现将总电表波形(即上述电流信号的波形)分解成各类电器的电流波形，以便查看。其中，电流变化量可以是电流有效值变化量，电流波形可以是电流有效值波形。
[0115]
综上，本发明实施例的电力负荷识别装置，可提高负荷识别的准确度，实现负荷的实时在线识别，且无需依靠人工选择和提取所需的各类负荷特征，仅需将用电参数的总量数据输入到深学习模型中，使得本发明具有较高的用户友好性和易用性，可广泛应用于居民电力负荷识别中。
[0116]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0117]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0118]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0119]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0120]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0121]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连
接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0122]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0123]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。